論文の概要: How Does Traffic Environment Quantitatively Affect the Autonomous Driving Prediction?

• arxiv url: http://arxiv.org/abs/2301.04414v1
• Date: Wed, 11 Jan 2023 11:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 16:53:27.522942
• Title: How Does Traffic Environment Quantitatively Affect the Autonomous Driving Prediction?
• Title（参考訳）: 交通環境が自律走行予測にどのように影響するか
• Authors: Wenbo Shao, Yanchao Xu, Jun Li, Chen Lv, Weida Wang and Hong Wang
• Abstract要約: 本研究では,予期せぬシナリオや未知のシナリオに直面する場合,高い不確実性を出力する軌道予測フレームワークを提案する。 提案手法は,予測アルゴリズムの性能に及ぼす環境の影響を解析するために用いられる。
• 参考スコア（独自算出の注目度）: 10.28126737850673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An accurate trajectory prediction is crucial for safe and efficient autonomous driving in complex traffic environments. In recent years, artificial intelligence has shown strong capabilities in improving prediction accuracy. However, its characteristics of inexplicability and uncertainty make it challenging to determine the traffic environmental effect on prediction explicitly, posing significant challenges to safety-critical decision-making. To address these challenges, this study proposes a trajectory prediction framework with the epistemic uncertainty estimation ability that outputs high uncertainty when confronting unforeseeable or unknown scenarios. The proposed framework is used to analyze the environmental effect on the prediction algorithm performance. In the analysis, the traffic environment is considered in terms of scenario features and shifts, respectively, where features are divided into kinematic features of a target agent, features of its surrounding traffic participants, and other features. In addition, feature correlation and importance analyses are performed to study the above features' influence on the prediction error and epistemic uncertainty. Further, a cross-dataset case study is conducted using multiple intersection datasets to investigate the impact of unavoidable distributional shifts in the real world on trajectory prediction. The results indicate that the deep ensemble-based method has advantages in improving prediction robustness and estimating epistemic uncertainty. The consistent conclusions are obtained by the feature correlation and importance analyses, including the conclusion that kinematic features of the target agent have relatively strong effects on the prediction error and epistemic uncertainty. Furthermore, the prediction failure caused by distributional shifts and the potential of the deep ensemble-based method are analyzed.
• Abstract（参考訳）: 複雑な交通環境での安全で効率的な自動運転には、正確な軌道予測が不可欠である。 近年、人工知能は予測精度を向上する強力な能力を示している。 しかし、その不確実性と不確実性の特徴は、交通環境が予測に与える影響を明示的に決定することは困難であり、安全クリティカルな意思決定に重大な課題をもたらす。 そこで本研究では,予測不可能あるいは未知のシナリオに対して高い不確実性を示す認識的不確実性推定能力を有する軌道予測フレームワークを提案する。 提案手法は,予測アルゴリズムの性能に対する環境影響を解析するために用いられる。 分析では,対象エージェントのキネマティックな特徴,周辺トラヒック参加者の特徴,その他の特徴に特徴を分割して,それぞれシナリオの特徴とシフトの観点からトラヒック環境を考察する。 また,上記の特徴が予測誤差や認識の不確実性に与える影響について,特徴相関と重要度分析を行った。 さらに,複数交差点データセットを用いて,実世界における避けられない分布変化が軌道予測に与える影響を解析するために,クロスデータセットケーススタディを行った。 その結果, 深いアンサンブルに基づく手法は, 予測ロバスト性の向上と認識的不確実性の推定に有効であることがわかった。 対象エージェントの運動学的特徴が予測誤差と認識的不確かさに比較的強い影響を与えるという結論を含む,特徴相関と重要度分析により,一貫した結論を得た。 さらに,分布変化による予測失敗と深層アンサンブル法の可能性について分析した。

関連論文リスト

• Traj-Explainer: An Explainable and Robust Multi-modal Trajectory Prediction Approach [12.60529039445456]
  複雑な交通環境のナビゲーションはインテリジェントな技術の進歩によって大幅に向上し、自動車の正確な環境認識と軌道予測を可能にした。 既存の研究は、しばしばシナリオエージェントの合同推論を無視し、軌道予測モデルにおける解釈可能性に欠ける。 本研究では, 説明可能な拡散条件に基づく多モード軌道予測トラj-Explainerという, 説明可能性指向の軌道予測モデルが設計されている。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• Entropy-Based Uncertainty Modeling for Trajectory Prediction in Autonomous Driving [9.365269316773219]
  我々は、不確実性の定量化、分解、およびモデル構成の影響に焦点を当てた全体論的アプローチを採用する。 提案手法は,不確実性を測定するための理論に基づく情報理論に基づく手法である。 我々はnuScenesデータセットに関する広範な実験を行い、異なるモデルアーキテクチャと構成が不確実性定量化とモデルロバスト性にどのように影響するかを評価する。
  論文  参考訳（メタデータ） (2024-10-02T15:02:32Z)
• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Fast, Optimal, and Targeted Predictions using Parametrized Decision Analysis [0.0]
  我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。 全国健康栄養検査調査の身体活動データに対する予測が作成されている。
  論文  参考訳（メタデータ） (2020-06-23T15:55:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。